Rare-Class Collapse in ECG-Based Ventricular Tachycardia and Fibrillation Detection: A Systematic Benchmark of Class-Imbalance Mitigation from Reweighting to Cascade Classification

Resumo Técnico: Colapso de Classe Rara na Detecção de Taquicardia Ventricular e Fibrilação com Base em ECG

Definição do Problema
A detecção automatizada de arritmias letais, especificamente a Taquicardia Ventricular (TV) e a Fibrilação Ventricular (FV), é criticamente dificultada pelo severo desequilíbrio de classes em conjuntos de dados clínicos de ECG. Nestes cenários, eventos letais frequentemente constituem menos de 22% dos segmentos. Este desequilíbrio leva a um modo de falha denominado "colapso de classe rara", onde classificadores padrão alcançam alta acurácia geral ao prever predominantemente a classe majoritária (ritmo normal), enquanto perdem uma proporção significativa de eventos potencialmente fatais. Métricas de avaliação convencionais, como acurácia e Área Sob a Curva ROC (AUROC), frequentemente ocultam esta falha clínica porque são dominadas pelo grande número de amostras negativas. O estudo postula que, sem uma avaliação específica em um ponto operacional clínico fixo e o uso de métricas focadas na classe minoritária, a segurança destes sistemas de detecção não pode ser avaliada de forma confiável.

Metodologia
O estudo conduziu um benchmark sistemático de seis abordagens distintas de tratamento de desequilíbrio utilizando um conjunto de dados agrupado de 15.614 segmentos de ECG derivados de três bases de dados PhysioNet: VTaC, VFDB e CUDB. A coorte final exibiu uma razão normal-para-letal de aproximadamente 3,6:1.

• Pré-processamento de Dados: Os sinais foram amostrados a 250 Hz, filtrados por passagem de banda (0,5–40 Hz), normalizados e segmentados em janelas não sobrepostas de 6 segundos (1.500 amostras).
• Extração de Características: Um conjunto de 22 características manuais (handcrafted) foi computado por segmento, abrangendo estatísticas do domínio do tempo (ex: amplitude absoluta média, taxa de cruzamento por zero) e propriedades do domínio da frequência (ex: entropia espectral, frequência dominante, razões de potência de banda).
• Estrutura de Avaliação: Para garantir a relevância clínica, todos os modelos foram avaliados em um ponto operacional fixo de 95% de especificidade (5% de taxa de falso alarme). O desempenho foi medido usando Recall, Área Sob a Curva Precisão-Recall (AUPRC) e a Taxa de Eventos Letais Perdidos (MLER). A análise da curva de decisão foi empregada para estimar o benefício clínico líquido.
• Modelos Avaliados:
  1. Baseline Ingênuo: Regressão logística com regularização L2 sem ponderação de classe.
  2. Reponderação por Frequência Inversa: Regressão logística com pesos inversamente proporcionais à frequência da classe.
  3. Perda LDAM: Um Perceptron Multicamadas (MLP) treinado com perda de margem consciente da distribuição de rótulos (Label-Distribution-Aware Margin loss) para impor margens de decisão maiores para a classe minoritária.
  4. Treinamento Sensível ao Custo: Um MLP treinado com perda de entropia cruzada onde perder um evento letal é penalizado 10 vezes mais do que um falso alarme.
  5. Cascata de Dois Estágios: Uma triagem via Random Forest (alto recall, peso da minoritária 20) seguida por uma Random Forest balanceada para filtrar falsos alarmes.
  6. Detecção de Anomalias: Um Isolation Forest treinado exclusivamente em segmentos normais para detectar TV/FV como anomalias.

Principais Resultados

• Falha de Abordagens Ingênuas: O modelo de regressão logística ingênuo alcançou 84,1% de acurácia e uma AUROC de 0,822, mas sofreu colapso de classe rara, detectando apenas 45,1% dos eventos letais (MLER = 0,549). Ele perdeu 564 de 1.027 eventos letais no conjunto de teste.
• Eficácia Limitada de Reponderação Simples: A reponderação por frequência inversa gerou melhoria negligenciável, aumentando o recall apenas para 45,5% e perdendo 560 eventos.
• Superioridade de Modificações Estruturais e Objetivas: Métodos que alteraram o objetivo de aprendizado ou a arquitetura do modelo superaram significativamente a reponderação simples.
  • LDAM melhorou o recall para 58,9%.
  • Treinamento Sensível ao Custo alcançou um recall de 61,8% e a maior AUROC (0,927).
  • Cascata de Dois Estágios alcançou o melhor desempenho geral com um recall de 65,2% e um AUPRC de 0,821. Esta abordagem reduziu o número de eventos letais perdidos em 37% (de 564 para 357) em comparação com o baseline ingênuo, mantendo uma contagem de falsos alarmes semelhante.
• Disparidade de Desempenho Específica da Fonte: Um achado crítico foi a divergência no desempenho entre os tipos de arritmia. O modelo de cascata alcançou detecção quase completa para FV (recall de até 0,975 no conjunto de dados VFDB), mas apresentou desempenho pobre para TV organizada (recall de apenas 0,183 no conjunto de dados VTaC).
• Limitações do Espaço de Características: A análise da discriminação de características (d de Cohen) revelou que a característica mais discriminativa (entropia espectral) possuía um tamanho de efeito de apenas 0,52. O estudo atribui a baixa detecção de TV à semelhança espectral entre a TV organizada e o ritmo sinusal rápido, sugerindo que o conjunto de características manuais impõe um teto de desempenho, independentemente do algoritmo de classificação.

Significância e Alegações
O artigo alega que a escolha das métricas de avaliação determina fundamentalmente a visibilidade da falha de classe rara. Ao deslocar o foco da acurácia para o recall em uma especificidade fixa e para a taxa de eventos letais perdidos, o estudo demonstra que técnicas de reponderação padrão são insuficientes para a detecção de arritmias letais. A principal contribuição é a identificação de uma limitação do espaço de características, em vez de uma limitação de design de modelo para a detecção de TV; a sobreposição espectral entre a TV organizada e o ritmo sinusal rápido impede que as características manuais alcancem alto recall.

Consequentemente, os autores argumentam que, para implantação clínica, os sistemas de detecção devem ser avaliados com base no número de eventos perdidos, em vez da correção geral. Eles concluem que, embora as cascatas de dois estágios ofereçam o melhor desempenho atual entre os métodos testados, a melhoria futura para a detecção de TV provavelmente exigirá ir além das características manuais para modelos que aprendem diretamente de formas de onda de ECG bruto (ex: abordagens de deep learning). O estudo serve como uma prova de conceito metodológica, destacando que os atuais sistemas baseados em características possuem um teto prático para distinguir a TV organizada de ritmos normais.